AlphaVariant 结合进化先验强化学习实现稀疏反馈下的多位点酶优化
Reinforcement learning with evolutionary priors unlocks multi-site enzyme optimization from sparse experimental feedback
研究团队提出强化学习框架 AlphaVariant,将生成式进化先验与迭代更新的低样本量适应度模型结合,用于搜索大型组合蛋白质序列空间。
在六个实验测量的蛋白质适应度景观中,AlphaVariant 在三个大型多位点场景排名第一,并在两轮设计-测试后报告活性提升。
预印本 · biorxiv · 10.64898/2026.10.19.760152
本站摘要基于收录版本 v1(2026-10-26),原始摘要与 AI 导读固定保留。
来源最近更新: · 来源 v1
工业酶是可持续制造的基石,但天然蛋白质很少能同时具备实际应用所需的活性、稳健性和应用兼容性。工程化这些特性需要在庞大的序列空间中识别相互作用突变的有益组合,而这些空间大到无法穷尽搜索,又稀疏到无法可靠建模。在此我们提出 AlphaVariant,一个强化学习(RL)框架,它将生成式进化先验与迭代更新的低 N 适应度模型相耦合,从而实现对大型组合蛋白质序列空间的反馈驱动搜索。在六个经实验测定的蛋白质适应度景观中,AlphaVariant 在三个大型、不可枚举的多位点景观上均排名第一。在两轮连续的 savinase 活性优化中,AlphaVariant 设计的文库在实验表征的候选物中分别产生了 75.4% 和 83.8% 的活性提升变体,即使可及的突变空间从 25 个位点扩展到 67 个位点。该搜索识别出涉及多达 17 个结构分散位点的有益突变组合,并在仅两轮设计-测试循环后产生了活性比野生型高 7.1 倍的变体。随后我们将 AlphaVariant 扩展为联合优化活性、热稳定性以及一项基于专利信息的知识产权自由度约束。这一多目标搜索产生的变体在生化测定和应用相关的洗涤剂洗涤测试中均优于商业蛋白酶 Uno 100 L。这些结果表明,生成式 RL 能够高效地遍历庞大的蛋白质适应度景观,逐步纳入多个工程目标,并将稀疏的实验反馈转化为具有工业相关性能的酶变体,从而有效突破了生物催化剂工程的局限。
来源:bioRxiv · biorxiv.org